A WRF modellre alapozott napenergia előrejelzések...
Transcript of A WRF modellre alapozott napenergia előrejelzések...
Eötvös Loránd Tudományegyetem
Földrajz- és Földtudományi Intézet
Meteorológiai Tanszék
A WRF modellre alapozott napenergia
előrejelzések fejlesztése
DIPLOMAMUNKA
Készítette:
Bán Beatrix
Meteorológus mesterszak,
Előrejelző szakirány
Témavezetők:
Dr. Weidinger Tamás, egyetemi docens
Gyöngyösi András Zénó, doktorjelölt
ELTE TTK, Meteorológiai Tanszék
Budapest, 2018
2
3
Tartalomjegyzék
1. Bevezetés .................................................................................................................... 5
2. Szakirodalmi áttekintés............................................................................................... 6
2.1. A napenergia ........................................................................................................... 6
2.2. Rövidhullámú sugárzási parametrizációk ............................................................. 10
4. Anyag és módszer ..................................................................................................... 15
4.1. Szabványmódszer a globálsugárzás számításához ............................................... 15
4.2. Adatok ................................................................................................................... 18
4.3. A WRF modell ...................................................................................................... 18
4.3.1. A modell bemutatása ..................................................................................... 18
4.3.2. Alkalmazott beállítások, sugárzási parametrizációs sémák ........................... 20
4.4. Módszer ................................................................................................................ 21
5. Eredmények .............................................................................................................. 23
5.1. Érzékenységvizsgálat ............................................................................................ 23
5.2. Vizsgálat féléves időtartamra (2017. március-augusztus) .................................... 29
5.3. „Kvázi-ensemble” ................................................................................................. 39
6. Összegzés ................................................................................................................. 48
Köszönetnyilvánítás ............................................................................................................ 50
Irodalomjegyzék .................................................................................................................. 51
4
5
1. Bevezetés
A Nap az élet egyik forrása. A felszínre érkező napsugárzás energiája hozzávető-
legesen négy nagyságrenddel haladja meg az emberiség energiaszükségletét. A Föld-légkör
rendszer külső határára érkező energia közepes Nap-Föld távolság esetén 1367 W m–2,
amit ~1 W m–2 pontossággal ismerünk műholdas mérések alapján (Major, 2010).
A napsugárzás a légkörön áthatolva különböző gyengüléseket szenved (Czelnai, 1995).
A vízszintes felszínre jutó globálsugárzás két összetevője a direkt és a diffúz sugárzás, ami
a felhőzet és a légkör sugárzásáteresztő képességének ismeretében parametrizálható
(Kasten, 1989; Práger et al., 1999). Ezzel már egyszerűen számítható egy napelem
felületére jutó napsugárzás, ami alapján becsülhetjük a rendelkezésre álló napenergiát,
vagy egy-egy naperőmű termelését.
A fosszilis energiahordozók meghatározó szerepet játszanak az emberiség
energiaellátásában, készletük azonban véges. Bányászatuk és elégetésük szennyezi a
környezetet, így a légkört is. Ismert tény, hogy az üvegházhatású gázok (ÜHG) jelentős
hányada a fosszilis energiahordozókon alapuló energiatermeléssel és fogyasztással
kapcsolatban keletkezik (Farkas, 2017). Ezért is kapnak egyre nagyobb szerepet a
megújuló energiaforrások. Ezek közül a Nap sugárzása az egyik fő, emberi léptékben
kimeríthetetlen energiaforrás. Így nem véletlen, hogy napjainkban a felszínre érkező
napenergia direkt és indirekt módon történő hasznosítása egyre nagyobb szerepet kap az
energiatermelésben (Bartók, 2013; Jerez et al., 2015). A napenergia-technológiák
térhódítása hazánkra is jellemző, gondoljunk csak a 2015-ben a Mátrai Erőmű Zrt. által
üzembe helyezett, vagy a 2016-ban átadott pécsi állami nagy-teljesítményű naperőműre,
illetve a 2013 és 2016 óta működő kisteleki és sajóbábonyi naperőműre. A Magyar
Villamos Művek (MVM) tervei is ambiciózusok. Az építés alatt álló naperőmű-parkok
hozzávetőlegesen 50 000 háztartás számára elegendő energiát fognak termelni. Ezek a
beruházások indokolttá teszik a témával való foglalkozást. Továbbá, a napenergia-
hasznosítás vizsgálatakor lényeges szempont a földrajzi helyzet, a hasznosítás módja, és
sok más mellett a meteorológiai tényezők (Farkas, 2017), így a felszínre érkező
napsugárzás modellezése és előrejelzése a meteorológusok számára is fontos kutatási
terület.
6
A dolgozat egyik célja a WRF modell különböző rövidhullámú sugárzási
parametrizációs sémáinak az összehasonlítása, más szóval egy érzékenységvizsgálat, ami
korábbi kutatásaink folytatása (Bán, 2015; Molnár, 2015; Weidinger et al., 2015;
Bán, 2016; Bán et al., 2018). Elkészítettem egy fél éves futtatás-sorozatot, így lehetővé
vált a napsugárzás előrejelzések hosszabb időszakra történő kiterjesztésére (2017. március-
augusztus). Harmadikként elkészítettem egy kvázi-ensemble vizsgálatot 2017
augusztusára, ahol a WRF modellt 72 órára futtattam. Így minden napra 3 előrejelzési
adatsor áll rendelkezésre (a különböző modellindításokból származó első, második és
harmadik napi), ami lehetővé teszi valószínűségi előrejelzések készítését, illetve a
sugárzási előrejelzések pontosságának vizsgálatát az előrejelzési idő függvényében.
2. Szakirodalmi áttekintés
2.1. A napenergia
Megújuló energiaforrásoknak nevezzük a természeti folyamatok során
folyamatosan rendelkezésre álló vagy maximum néhány éven belül újratermelődő
energiaforrásokat: a nap-, szél- és vízenergiát, a biomasszából nyert energiát, valamint a
geotermikus energiát. Ezek az energiaforrások a földrajzi adottságoktól függően állnak
rendelkezésre. Jelenleg a megújuló energiák közül a vízenergia a legelterjedtebb a világon,
több mint 55%-ot tesz ki (1. ábra). Ezt követi a biomassza égetés: gondoljunk csak a
fűtésre, a fatüzelésre.
A Magyarországon rendelkezésre álló megújuló „zölderőművi” kapacitás 4,2%-a
(~35 MW (megawatt)) származik közvetlenül napenergiából. Hazánk 2020-ra 14,65%-os
megújuló energia részarányt tűzött ki célul a teljes bruttó energiafelhasználáson belül,
amelynek a tervek szerint kb. 10%-át napenergiából fedezi majd (a teljes energia-
termelésünk ~1,6%-a). Ez (mármint a 10%-os napenergia hányad) sokkal nagyobb
részarányban valósult meg: míg a terv 2015-ben 8,3% volt, addig a tényleges részarány
14,47%-ra jött ki (Szabó, 2017). A 14,65%-os arány önkéntes magyar vállalás, ugyanis
2020-ra a megújuló energiaforrásból előállított energia felhasználás vállalt aránya 13%
(Szabó, 2017).
7
1. ábra: A megújuló energiaforrások felhasználásának globális megoszlása.
(Forrás: Bartholy et al., 2013)
A Föld különböző régióiban más és más megújuló energiaforrások hasznosításához
kedvezőek az adottságok. Hazánkban ezek közül a biomassza és a szélenergia
felhasználása mellett a legkézenfekvőbb, és hosszú távon is biztos forrást a napenergia
jelenti. A hazai napenergia potenciál felmérésében meghatározó szerepet játszik az
Országos Meteorológiai Szolgálat (Major György akadémikus és munkatársai,
Major, 1985; Major et al., 2002; Tóth et al., 2017), illetve más kutatóhelyek
(Tóth et al., 2011; Farkas, 2010, Farkas, 2017).
A napenergia a Nap rövidhullámú, Földünket érő elektromágneses sugárzásából
kinyerhető energia. Aktív (napelem, napkollektor) és passzív (épületek tájolása, felhasznált
építőanyagok) hasznosítása során fotovoltaikus módon villamos energiát, illetve hőenergiát
termelhetünk. „A napelem vagy fotovillamos elem, a Nap sugárzási energiáját közvetlenül
alakítja át villamos energiává” (Pálfy, 2005). Így tehát megkülönböztetünk fotovillamos és
napkollektoros (hőenergiát adó) naperőműveket. A hazai számított fotovillamos potenciál
hozzávetőlegesen 1750 PJ év–1, ami az éves villamosenergia-fogyasztás több mint 12-
szerese (Farkas, 2010). A legjelentősebb korlátozó tényező a berendezések magas árához
kapcsolódóan a rendelkezésre álló támogatási keret. Mindazonáltal a magyarországi
napsütéses órák számát tekintve i) a termikus napenergia-hasznosítására kifejlett
technológia kiváló eszköz a megújuló energiaforrások elterjesztésében, míg ii) a
fotovoltaikus napenergia rendszereket a felgyorsult, gyakorlatorientált kutatás-fejlesztési
munka és a megtérülési idő csökkenése (10 év körüli) teszi versenyképessé (NFM, 2010).
8
Napjainkban számos országban, így hazánkban is folyamatban vannak a
napenergiával, naperőművekkel kapcsolatos fejlesztések (Varga, 2014; Farkas, 2017).
Ezek közül az egyik legelső erőmű a Csongrád megyei Kisteleken működik 2013 őszétől.
Az elmúlt években robbanásszerűen nőtt a hazánkban telepített naperőművek száma.
A fejlesztésekbe a Mátrai Erőmű Zrt. (Farkas, 2017) mellett a Magyar Villamos Művek,
azaz az MVM (1 – Világgazdaság; László, 2018) is „beszállt”. Hírlevelük szerint (László,
2018), előálltak egy kormányzati agrár napenergia-hasznosítási programmal is. Ebben
olyan újfajta naperőműveket kívánnak telepíteni, amelyekkel egy adott földterület
egyszerre termelhet villamos energiát és mezőgazdasági termékeket. A napelemeket
hagyományos módon, a talajszintre elhelyezve, illetve az új, a mezőgazdasági termelést az
energiatermeléssel ötvöző módszerrel is a termőföldekre lehet telepíteni (megemelt tartók).
Ez annyira új, hogy még Németországban is tesztelés alatt áll. Ez az úgynevezett
agrofotovoltaikus hasznosítási módszer azt jelenti, hogy a napelemek körülbelül öt méter
magas lábakon állnak, alattuk pedig aktív növénytermesztés és legeltetés folytatható. Bár
ebben az esetben az árnyékoló és egyéb hatások miatt a mezőgazdasági termelés
hatékonysága 5–20%-kal elmaradt a szokásostól, a megtermelt energia összességében 60
százalékkal javította a terület megtérülési mutatóit (László, 2018).
A Világgazdaságban megjelent interjú szerint az MVM olyan fotovoltaikus
erőművek létesítésén is dolgozik, amelyek összkapacitása eléri a 100 megawatt (MW)
teljesítményt. Ez több projektet jelent: az MVM csoporthoz tartozó MVM Hungarowind
Kft. hét önálló napelemeserőmű-projektre készül. Ezen belül két nagyobb beruházás során
egy-egy 20 MW teljesítményű fotovoltaikus erőmű létesül, további öt során pedig az
ország különböző régióiban építenek ilyen erőműveket 60 MW összteljesítménnyel.
A tervek szerint ez 108 helyszínt jelent, és mindegyiken 0,5–0,6 MW teljesítményt. A két
legnagyobb erőmű a tervek szerint Felsőzsolcán és Oroszlányban épül. A létesülő
fotovoltaikus erőművekben megtermelt energia több mint 50 ezer háztartás éves villamos-
energia-szükségletét fedezi majd. A projektek megvalósulása azonban nem csupán az
energiaellátás biztonsága és folyamatos fenntartása miatt lényeges, hanem a hazai
energiatermelésnek az EU-s és nemzetközi éghajlatvédelmi célkitűzésekkel való
összhangja miatt is [1 – Világgazdaság].
Az EU-s célkitűzésekről és azok alakulásáról a 2. ábra ad összefoglalót. A fentebb
leírt 2020-ra kitűzött célok mellett már léteznek a 2030-ra datált tervek is: az Európai
Bizottság 2014 januárjában publikálta a 2020–2030-as időszakra szóló éghajlat- és
energiapolitikai kereteket (EB, 2014). Ebben két új, 2030-ig elérendő célt határozott meg:
9
40%-kal kívánják csökkenteni az üvegházhatású gázok kibocsátását az 1990-es szinthez
képest, illetve 27%-ra tervezik növelni a megújuló energiaforrásokból előállított energia
arányát a végső energiafelhasználásban (Sebestyénné Szép, 2016).
2. ábra: A 20–20–20-as európai energiapolitikai célok fontosabb mérföldkövei.
(Forrás: Sebestyénné Szép, 2016)
A fentiekre és az elmúlt évek gyors technikai fejlesztéseire, a Németországban és
Ausztriában egyre nagyobb számban épített fotovoltaikus erőművekre és a rohamosan
bővülő hazai beruházásokra hivatkozva indokolt a témakörrel való foglalkozás. A felszínre
jutó napsugárzás modellezése és előrejelzése pedig tipikusan meteorológus feladat.
10
2.2. Rövidhullámú sugárzási parametrizációk
A fejezetben a WRF (Weather Research and Forecasting) modellben beállított
rövidhullámú sugárzási parametrizációs sémák elméleti hátterével foglalkozunk. A modell
V3.7.1-es verzióját használjuk, melyben többféle parametrizáció közül választhatunk. Ezt
úgy kell érteni, hogy minden parametrizációs csoport esetén többféle módszert
választhatunk ki a modell beállításán (namelist) keresztül (1. táblázat).
1. táblázat: A lehetséges rövidhullámú sugárzási parametrizációs sémák a WRF modellben.
WRF kód
(ra_sw_physics) Séma Forrás Hozzáadva
1 Dudhia Dudhia (1989, JAS) 2000
2 Goddard Chou és Suarez (1994, NASA Tech Memo) 2000
3 CAM Collins et al. (2004, NCAR Tech Note) 2006
4 RRTMG Iacono et al. (2008, JGR) 2009
5 New (frissített)
Goddard Chou és Suarez (1999, NASA TM) 2011
7 FLG (UCLA) Gu et al. (2011, JGR), Fu és Liou (1992, JAS) 2012
99 GFDL Fels és Schwarzkopf (1981, JGR) 2004
A kutatásunk során a fentiekből három leggyakrabban alkalmazott sémát
választottunk ki, hogy összehasonlítsuk a velük kapott eredményeket. Ez a három a
Dudhia, a frissített Goddard (New Goddard) és az RRTMG séma volt. A Dudhia séma volt
a legkorábbi, az RRTMG pedig a használt modellverziónk alapbeállítása. A következőkben
ennek a három sémának a hátterével, tulajdonságaival foglalkozunk.
Elsőként a Dudhia sémát (Dudhia, 1989) ismertetjük. Ez a legegyszerűbb és a
legkorábban elkészült mind közül. A rövidhullámú sugárzási és egyéb (például: konvekció,
jégfázis fejlődése, stb.) parametrizációkat egy borneói esettanulmányra alapozva
fejlesztette ki a szerző. Kétdimenziós mezoskálájú modellt alkalmazott a téli monszun
kísérletek (Winter Monsoon Experiment) adataira azért, hogy az éjszaka előforduló
konvekciót szimulálja a Dél-kínai-tenger felett. 2000-ben ezt a sémát integrálálták bele a
WRF modellbe. Egyszerű lefelé irányuló rövidhullámú sugárzási fluxust számol
szóródásból és abszorpcióból. Alapja, hogy minden modellszintre kiszámolja a sugárzás-
átvitelt. A szoláris sugárzás tartalmazza a reflektált és a visszaszórt komponenseket.
A tiszta levegő elnyelése elsősorban a vízgőzből származik. Minden felhőt és csapadékot
úgy kezel, mintha egy fajta felhő lenne. Az albedó és az elnyelés elméleti értékei
Stephens (1978) munkáján alapulnak.
11
Nézzük meg részletesebben, hogyan adódik a Dudhia séma rövidhullámú
sugárzása! A rövidhullámú fluxus lefelé irányuló komponensénél számításba vették a
zenitszög hatását. (Növekvő úthossz, csökkenő lefelé irányuló sugárzási komponens).
Minden hatást figyelembe véve: a felhőzetnél az albedót (Scs) és az abszorpciót (Sca), tiszta
levegő mellett a szóródást (Ss) és a vízgőz abszorpcióját (Sa), a lefelé irányuló sugárzás:
𝑆𝑑(𝑧) = 𝜃0𝑆0 − ∫ (d𝑆𝑐𝑠 + d𝑆𝑐𝑎 + d𝑆𝑠 + d𝑆𝑎),𝑡𝑜𝑝
𝑧 (1)
ahol θ0 a zenitszög koszinusza és S0 a szoláris állandó.
Adott rácspont feletti légoszlopban, az egymás feletti „rács dobozokban” a felhőzet
0 vagy 1 értéket vesz fel. A felhőzet visszasugárzása illetve az albedó és az abszorpció
bilineárisan interpolált értékeit a zenitszög és ln(w/θ0) alapján kapjuk meg
(Stephens, 1978). A számításnál figyelembe vesszük a Nap helyzetét. (Itt w az integrált
folyékony víztartalom). A módszer alkalmas többrétegű felhőzet hatásának
számszerűsítésére is. Minden rétegre külön-külön számolja a sugárzási komponenseket.
A tiszta levegő szórása függ a bejövő sugárázás légköri útjától (zenitszög) és a
levegő sűrűségének magasságszerinti változásától. A vízgőz-abszorpcióját a vízgőz
eloszlás függvényének ismeretében számolja, ami szintén függ a zenitszögtől. Az
abszorpciós függvény Lacis és Hanssen (1974) munkájából származik.
A másik választott séma a frissített Goddard séma (röviden, a szakirodalom
CLIRAD-SW-nek is nevezi) (Chou és Suarez, 1999), melyet az amerikai NASA/Goddard
Űrrepülési Központjának Klíma és Sugárzás Csoportja fejlesztette ki. Tartalmazza a
vízgőz, ózon, felhőzet, aeroszolok abszorpcióját. Ózon esetén 5 lehetőség közül
választhatunk a különböző klimatológiai profilok alapján. Többek között számításba vették
i) a felhőzet, ii) az aeroszol részecskék, iii) a molekulák Rayleigh-szórás és a felszín
szórásának és abszorpciójának a hatását. Más-más sugárzási spektrumra más-más
megközelítést használ. Ez a séma már nemcsak a lefelé irányuló sugárzást, hanem a felfelé
irányulót (reflexív) is figyelembe veszi (két-áramú összegzéses közelítés). Az algoritmust
azzal a felvetéssel fejlesztették, hogy a légköri rétegek sík-párhuzamosak (plánparalelek),
és csak felhőmentesek (0) vagy teljesen borultak (1) lehetnek. Ahhoz, hogy közelítse a
részlegesen felhős égboltot, összeadja ezeket a különböző rétegek felhőzetét és random,
illetve maximális átfedést alkalmaz rájuk. Az égbolt ekkor több részre, szektorokra van
osztva. Minden egyes részben a felhőzet homogén egy rétegben: azaz vagy 0 vagy 1 az
értéke. A rövidhullámú sugárzás minden részben külön adódik és súlyozva van a
12
felhőmennyiséggel ahhoz, hogy megkaphassuk a teljes sugárzási fluxust (Chou et al.,
1997).
A frissített Goddard sémában maximum-random átfedéses közelítést alkalmaznak a
felhőzetre (Chou and Suarez, 1999). Először is, elkülönítik a három réteget (magas,
közepes, alacsony) a 400 hPa és a 700 hPa szintek szerint. Egy-egy ilyen csoportban a
felhőrétegek valószínűleg kapcsolódnak egymáshoz, ezáltal a három magassági csoport
mindegyikében maximális átfedéses felhőzetet, míg a három magassági csoport között
véletlenszerű (random) átfedést feltételeznek. Tehát minden magassági csoportban a
felhőzet „szétkenődik”, a maximális felhőzetmennyiség értékét (fm) veszi fel, amit még a τ
optikai vastagsággal is súlyoznak a szétkenés miatt. Példaként, a tiszta régió borítottsági
hányada (Aclr):
𝐴𝑐𝑙𝑟 = (1 − 𝑓𝑚,1)(1 − 𝑓𝑚,2)(1 − 𝑓𝑚,3) (2)
ahol az 1,2 és 3 a kitevőkben a magas, közepes, és alacsony szintű felhőzeti csoportot
jelöli.
A sugárzási fluxusokat a séma 11 sugárzási spektrális sávban számolja. Az IR
(infravörös) tartományt kivéve a különböző gázok elnyelési együtthatóit és a részecske
egyszer-szórását (single-scattering) használja fel a séma (Chou és Suarez, 1999).
A reflektivitást és a transzmisszivitást minden légköri rétegben a δ-Eddington közelítést
használva számolja (Joseph et al., 1976). A rétegekre összetett fluxusok számolása két-
áramú összegzéses módszerrel történnek ezek után. A teljes fluxus minden nyomási szintre
és a felszínre ezeknek a fluxusoknak a súlyozott összege,
𝐹(𝑝) = ∑ 𝜓𝑖𝐹𝑖38𝑖=1 (𝑝) (3)
ahol ψi az extraterresztriális szoláris fluxus hányada, amely az említett 11 spektrális
sávban. Mindegyik légköri rétegnek és spektrális sávnak az effektív optikai vastagsága (τ),
részecske egyszer-szórása (ω), és aszimmetriai faktora (g) következőképpen áll elő:
𝜏 = ∑ 𝜏𝑖𝑖 , (4)
�̅� = ∑ 𝜔𝑖𝜏𝑖𝑖 ∑ 𝜏𝑖𝑖⁄ , (5)
�̅� = ∑ 𝑔𝑖𝜔𝑖𝜏𝑖𝑖 ∑ 𝜔𝑖𝜏𝑖𝑖⁄ , (6)
13
ahol a szumma az összes gázra és részecskére vonatkozik (i). Ezek részletesebb
számolásáról bővebben Chou és Suarez (1999) munkájában lehet olvasni. Tartalmazzák az
ózont, a vízgőzt, a felhőzetet, az aeroszolokat és az atmoszférikus gázokat
(Rayleigh-szórás).
Most pedig rátérünk a fluxusok kiszámítására. Mint már korábban is említettük, a
séma két-áramú összegzéses közelítést használ, tehát nem csak lefelé irányuló fluxust
számol, hanem felfelé irányulót is. Chou és Suarez (1999) alapján a felfelé (F↑) és a lefelé
(F↓) irányuló fluxusok számítása az i + 1/2 szinten (az i-edik réteg alsó határa a légkörben)
a következőképpen adódik:
𝐹𝑖+1/2 ↑=
𝑆{𝑒−𝜏1,𝑖 𝜇0⁄ 𝑅𝑖+1,𝑘(𝜇0) + [𝑇1,𝑖(𝜇0) − 𝑒−𝜏1,𝑖 𝜇0⁄ ]�̅�1+1,𝑘} (1 − �̿�1,𝑖�̅�𝑖+1,𝑘)⁄
(7)
𝐹𝑖+1/2 ↓=
𝑆𝑒−𝜏1,𝑖 𝜇0⁄ + 𝑆{𝑒−𝜏1,𝑖 𝜇0⁄ �̿�1,𝑖𝑅𝑖+1,𝑘(𝜇0) + [𝑇1,𝑖(𝜇0) − 𝑒−𝜏1,𝑖 𝜇0⁄ ]} (1 − �̿�1,𝑖�̅�𝑖+1,𝑘)⁄
(8)
ahol S a besugárzás a légkör tetején, a k index jelöli a felszínt, az (1, i) és az (i+1, k) kitevő
jelöli az i+1/2 szint alatti és feletti régiót. T1,i a transzmissziót, R a direkt sugárzás
visszaverődését jelöli. �̅� az i+1/2 szint alatti régió diffúz sugárzásának visszaverődését,
�̿� az i+1/2 szint feletti régió diffúz sugárzásának visszaverődését jelenti.
A harmadik sugárzási séma, amiről szó esik, az úgynevezett RRTMG (Rapid
Radiative Transfer Model for GCMs) séma (Iacono et al., 2008). Először csak RRTM-ként
létezett a szélessávú (broadband) sugárzás átviteli modell, melynek fejlesztése a
hosszúhullámú (LW) és a rövidhullámú (SW) tartományra is kitért. A különböző
molekulák abszorpciós együtthatójához a korrelált k-eloszlás módszere szükséges. Az
RRTM a következő abszorbereket veszi figyelembe a rövidhullámú sugárzásnál: vízgőz,
szén-dioxid, ózon, metán, oxigén. Az aeroszol részecskék és a felhőzet gyengítő hatását,
valamint a Rayleigh-szórást is számításba veszi a séma. A többirányú szórás (multiple
14
scattering) kiszámításához a DISORT elnevezésű diszkrét koordinátájú algoritmust
használja (Stamnes et al., 1988; Iacono et al., 2008). A felhőzetet és a légkör optikai
tulajdonságait az RRTM a rövidhullámú sugárzás tekintetében tiszta vagy borult égboltként
tudja kezelni. Az RRTM később lett tovább fejlesztve RRTMG-vé (Iacono et al., 2000,
2003; Iacono et al., 2008) a GCM-ekhez kapcsolódó nagyobb pontosság érdekében. Amíg
az RRTMG ugyanazzal a fizikai alappal és elnyelési (abszorpciós) együtthatókkal
rendelkezik, mint az RRTM, addig számos olyan módosítás kapott benne helyet, ami
például növeli a számítási hatékonyságot, illetve reprezentálja a rácshálózaton belüli
(szubgrid-skálájú) felhőzeti változékonyságot. Továbbá a DISORT algoritmust is
lecserélték, az RRTMG_SW-ben már egy két-áramú sugárzási átviteli megoldó módszert
(Oreopoulos and Baker, 1999) használnak. A felhőzeti rétegződés bonyolultsága miatt,
amiben a többszörös szóródás is közrejátszik, az RRTM_SW a DISORT algoritmust
használva csak tiszta vagy teljesen borult állapotokkal tudott dolgozni. Ezt a korlátot
érintette az RRTMG_SW-ben (és mellesleg az LW-ben is) az McICA, a Monte Carlo
független oszlop közelítés (Barker et al., 2002; Pincus et al., 2003). Ez egy statisztikai
technika a rácshálózaton belüli (szubgrid-skálájú) skálájú felhőzeti változékonyságra,
beleértve az átfedést (random) is. A módszer a skalár felhőzet mennyiségi értékekeit egy
véletlenszerűen mintavételezett bináris tömbbel (egy adott g ponton méretezve) helyettesíti
(Iacono et al., 2008).
Bemutattuk a három alkalmazott sugárzási parametrizációt. A felszíni sugárzási
fluxusok esetén a sémák közötti különbségek az alábbiak lehetnek:
• tiszta égbolt esetben az algoritmusok (sémák) máshogy kezelik a gázoknál
az abszorpciót, emissziót és gyengülést a sugárzásban,
• különbségek vannak a kezdeti nyomgázok koncentrációjában,
• különbségek vannak a felhőzet kezelésében is.
A legfejlettebbnek a legkésőbbi, azaz az RRTMG séma mondható. Ez
megmutatkozik a felhőzeti rétegződés számításba vételének összetettségében, illetve
abban, hogy más parametrizációs eljárásokkal összehasonlítva több spektrális rétegre
osztja fel a sugárzást (14 sáv).
15
3. Anyag és módszer
Célunk a numerikus modell kísérletek elméleti hátterének bemutatása. Kitérünk
i) a hazai és a német sugárzásszámítási környezeti szabványokra (szabványmódszer), majd
a WRF numerikus modellel foglalkozunk (Weather Research and Forecasting, jelentése
tükörfordításban: „időjárás kutatás és előrejelzés”). Bemutatjuk a felhasznált adatokat,
ismertetjük a modell szerkezetét, majd a modell- beállításokat részletezzük.
3.1. Szabványmódszer a globálsugárzás számításához
E részben megismerkedünk a vízszintes felszínre érkező rövidhullámú sugárzás
egyszerű számításával. A globálsugárzás definíció szerint nem más, mint a vízszintes síkra
érkező teljes rövidhullámú sugárzás, ami a felszínen a 0,286–4 µm hullámhosszúságú
sugárzást jelenti (Mészáros, 2013). A globálsugárzás (G) a direkt (S) és a diffúz (D)
sugárzás összege.
𝐺 = 𝑆 + 𝐷. (9)
A direkt, vagy más néven közvetlen sugárzás (S) a Nap irányából a vízszintes
felületre jutó rövidhullámú sugárzás. A diffúz, vagy más néven szórt sugárzás (D) a
beérkező összes rövidhullámú sugárzásnak az a része, ami nem a Nap irányából érkezik.
Tehát olyan sugárzás, ami szóródik (Rayleigh- és Mie-féle) és visszaverődik, beleértve a
felszín és légkör közti visszaverődést is. A reflex, azaz a visszavert sugárzás (R) definíció
szerint a vízszintes síkról, azaz a felszínről a légkörbe jutó rövidhullámú sugárzás.
Ezen tagok közül számunkra a globálsugárzás (G) a legfontosabb, amelyet
különböző eszközökkel és módszerekkel energetikai célokra kívánunk felhasználni.
A standard meteorológiai mérésekre alapozott direkt, diffúz és globálsugárzást
számító modellt a magyarországi (Práger et al., 1999), illetve a németországi
(Kasten, 1989) szabvány módszerek alapján készítettük el Excel környezetben, Basic
nyelven írt makrók segítségével. Első lépésben nézzünk egy egyszerű módszert a
globálsugárzás kiszámítására standard meteorológiai adatok alapján (Práger et al., 1999):
𝐺 = (𝑎1 ∙ sin 𝜙 + 𝑎2) ∙ (1 + 𝑏1 ∙ 𝑁𝑏2), (10)
16
ahol 𝜙 a napmagasság, 𝑁 a borultság (0 és 1 közötti értéket vehet fel 0: derült égbolt, 1:
teljes borultság), 𝑎 és 𝑏 földrajzi helytől és felhőzettől függő empirikus állandók, melyek
Magyarországra:
𝑎1 = 990 Wm−2 , 𝑎2 = −30 Wm−2 ,
𝑏1 = −0,75, 𝑏2 = 3,4 .
A napmagasság (𝜙) kiszámítása:
𝜙 = arcsin (sin 𝛿 ∙ sin 𝜑𝑟𝑎𝑑 + cos 𝛿 ∙ cos 𝜑𝑟𝑎𝑑 ∙ cos ℎ), (11)
ahol 𝜑𝑟𝑎𝑑 a szélességi kör, 𝛿 a Nap deklinációja. A csillagászatban a deklináció az égi
egyenlítőtől a pólusok felé mért szögtávolság, értéke az égi egyenlítőn 0°, az északi égi
póluson +90°, a délin pedig –90°. A Nap deklinációja tehát a Nap és az égi egyenlítő
közötti szögtávolság, amely a földrajzi szélesség éggömbi megfelelője. A képletben
szerepelő h a Nap óraszöge.
Fontos a zenitszög (𝜃0) ismerete is. Ennek kiszámítása:
cos𝜃0 = sin𝛿 ∙ sin𝜑𝑟𝑎𝑑 + cos𝛿 ∙ cos𝜑𝑟𝑎𝑑 ∙ cosℎ. (12)
A zenitszög az a szög, amely a lokális zenit (helyi függőleges), valamint a Nap és a
megfigyelő által meghatározott egyenes egymással bezár. Ez a szög 0° és 90° között
változhat. Teljesül, hogy:
cos𝜃0 = sin 𝜙, (13)
hiszen a napmagasság (𝜙) és a zenitszög (𝜃0) 90°-ra egészítik ki egymást (Barótfi, 2000).
𝛿 a Nap deklinációja:
𝛿 = arcsin (0,398 sin휀). (14)
17
ε a szoláris hosszúság:
휀 = 4,871 + 0,0175𝑑 + 0,033 sin(0,0175 𝑑), (15)
ahol 𝑑 az év adott napja.
h a Nap óraszöge:
ℎ = 𝜆𝑟𝑎𝑑 + 0,043 sin(2휀) − 0,033 sin(0,0175𝑑) + 0,262𝑡𝑈𝑇𝐶 − 𝜋, (16)
ahol 𝑡𝑈𝑇𝐶 az év adott napjának időpontja. A Nap delelésekor ℎ = 0. Az egyenletekben 𝜆𝑟𝑎𝑑
a földrajzi hosszúságot jelöli (itt is radiánban megadva).
A német környezetvédelmi szabványban (Kasten, 1989) a felhőzet mellett a
homályossági tényezőt is figyelembe kell venni. Ott a következő parametrizációt
alkalmazzák:
𝐺 = 𝐺0 ∙ [1 − 𝑎 ∙ (𝑁
8)
𝑏
] , (17)
ahol 𝑎 = 0,72 𝑏 = 3,2.
Itt és a következő képletekben is az N borultság már oktában értendő.
𝐺0 = 𝐼 ∙ sin 𝜙 ∙ 𝐴 ∙ 𝑒𝑥𝑝 (−𝐵 ∙𝑇𝑚
sin 𝜙), (18)
ahol 𝐼 a Föld-légkör rendszer külső határára érkező napsugárzás, azaz az aktuális
napállandó, ami függ az aktuális (𝑟) és a közepes (𝑟0) Nap-Föld távolságtól:
𝐼 = 𝐼0 ∙ (𝑟0
𝑟)
2
. (19)
𝐼0 = 1367 W m−2 , a légkör külső határára közepes Nap-Föld távolság
(149 600 000 km) esetén, a Nap sugárzására merőleges egységnyi felületre időegység alatt
bejövő energia. A fenti (18) képletben alkalmazott állandók: A = 0,84 és B = 0,027 K–1.
Tm a homályossági tényező, ami a levegőben lévő gázok pl. vízgőz, ózon, szén-dioxid
molekuláin, illetve a különböző aeroszol részecskéken történő szóródás és elnyelődés által
keltett, a tiszta levegőhöz viszonyított fénygyengítést mutató szám. Ez megadja, hogy hány
tiszta és száraz légkört kellene egymás fölé helyezni, hogy ugyanazt a sugárzásgyengítést
adja, mint a valóságos légkör.
18
Az Excel makróban ennek a két (magyar és német szabványmódszer)
parametrizációnak az átlagát vettük és a továbbiakban ezzel dolgozunk.
3.2. Adatok
Az órás sugárzási adatokat 2017. márciusától augusztusáig határoztam meg a
kisteleki naperőműhöz legközelebb eső, szegedi szinoptikus állomás (WMO kódja: 12982)
felhőzeti adatai alapján. Rendelkezésre álltak továbbá a kisteleki naperőmű órás termelési
adatai is. A munka első szakaszában csak a fent említett adatok voltak elérhetőek
számunkra.
Később a Szegeden mért globálsugárzás adatokat is megkaptuk az Országos
Meteorológiai Szolgálattól (OMSZ) 2017. márciustól augusztusig órás összegekben. Így
Szegedre már nemcsak a szabványmódszerrel kapott globálsugárzást használhattuk a WRF
modellszámításokkal való összevetésre, hanem a mértet is. Ennek mértékegysége
J cm–2 óra–1, amit átszámoltunk W m–2 egységekbe (1 J cm–2 óra–1 = 2,778 W m–2).
3.3. A WRF modell
3.3.1. A modell bemutatása
A WRF egy sokoldalúan felhasználható numerikus időjárás előrejelző modell,
amelyet az amerikai Nemzeti Légkörkutató Központ (NCAR), az amerikai Nemzeti Óceáni
és Meteorológiai Szolgálat (NOAA) továbbá több egyetem és kutatóintézet együttes
munkájával fejleszt és a világban sokfelé alkalmaznak kutatásra és operatív előrejelzésre
egyaránt. Hazánkban többek között használják a balatoni viharjelzésben [2 – met.hu], a
Szegedi Tudományegyetemen folyó városklíma kutatásokban (Skarbit, 2018), vagy a
Nemzeti Közszolgálati egyetemen a pilótanélküli repülőeszközök időjárás-biztosítására
(Bottyán, 2016).
A modellnek alapvetően két változata van. Az „Advanced Research WRF” vagy
WRF-ARW („professzionális kutatási WRF”) változatot főleg kutatási célokra, míg a
„Nonhydrostatic Mesoscale Model” vagy WRF-NMM („nemhidrosztatikus mezoskálájú
modell”) változatot rendszeres időjárási előrejelzések készítésre alkalmazzák. Mivel a
modell mezoskálájú, ezért nem az egész Földre, hanem csak egy beállított régióra futtatják.
Korlátos tartományú, nem-hidrosztatikus mezoskálájú modell révén a 100 km-es
horizontális rácsfelbontástól – többszörös beágyazással – akár az egy kilométeresig képes a
19
légköri folyamatok vizsgálatára.
A modell a légköri hidro-termodinamikai egyenletrendszer integrálását végzi
(Skamarock et al., 2008). Öt különböző parametrizációs csoportot tartalmaz, melyek a
modellrácsnál kisebb folyamatok számszerűsítésére szolgálnak. Ezek a folyamatok:
i) a felhő- és csapadékképződés mikrofizikája, ii) a planetáris határréteg turbulens
folyamatai, iii) felszíni energiamérleget meghatározó hatások, vi) a konvekció, és
v) a légköri sugárzásátvitel. A modell nem-hidrosztatikus közelítést alkalmaz, a légkör
összenyomható, a dinamikai egyenletek leírása Euler-módszerrel történik. A modell
η felszínkövető vertikális koordináta-rendszert használ (3. ábra), melyet a nyomás
hidrosztatikus komponense alapján számít. Ez a következőképpen írható fel:
𝜂 =𝑝−𝑝𝑡
𝑝𝑠−𝑝𝑡, (20)
ahol ps a legalsó szint (praktikusan a felszín), amit a domborzat határoz meg. A vertikális
szintvonalak követik a domborzatot, de a magasság növekedésével egyre jobban
kisimulnak egészen addig, amíg elérik a legfelső, állandó nyomású szintet (pt). Ebből
könnyen belátható, hogy η értéke 1 és 0 között változik (a felszínen 1, a modell felső
szintjén 0).
4. ábra: Felszínkövető koordináta-rendszer. (Skamarock et al., 2008)
Az ARW horizontálisan az Arakawa C rácsot használja (Mesinger és Arakawa,
1976). Itt a skalárok a rács közepén vannak megadva. A vertikális felbontás és az időlépcső
hossza is módosítható a modellben, azonban minden esetben szem előtt kell tartani az
úgynevezett Courant–Friedrichs–Lewy-kritériumot (CFL), mely kimondja, hogy a
rácstávolság és az időlépcső hányadosának kisebbnek kell lennie, mint a leggyorsabban
terjedő mozgásforma sebessége. Erre a numerikus stabilitás megtartása miatt van szükség.
20
4.1.1. Alkalmazott beállítások, sugárzási parametrizációs sémák
A Kárpát-medencére (4. ábra) vonatkozó futtatásokat 10 km-es rácsfelbontással
végeztem el, az Eötvös Loránd Tudományegyetem Meteorológiai Tanszékének
számítógépes környezetében. A WRF modell V3.7.1-es verzióját futtattam 2017. március-
augusztus hónapokra naponta 00 UTC-s indítással, 48 órás integrálási idővel, valamint
2017 augusztusára 72 órás integrálásokkal is. Kezdeti- és peremfeltételként az NCEP
globális előrejelző modelljét, a GFS modell analízis és előrejelzett mezőit használtam.
A globálsugárzás, a direkt sugárzás és a diffúz sugárzás értékeit két pontra írattam ki, órás
felbontásban: Kistelek (É. sz.: 46,46° és K. h.: 20°) és Szeged (É. sz.: 46,25° és
K. h.: 20,08°) földrajzi koordinátáihoz legközelebb eső rácspontra. Az alkalmazott modell
beállításokat az 2. táblázat foglalja össze. A három alkalmazott sugárzási sémák
(lásd 2.2. fejezetet):
1. Dudhia séma (Dudhia, 1989),
2. Rapid Radiative Transfer Model for GCMs, vagy röviden: RRTMG (Iacono et al.,
2008),
3. frissített (New) Goddard séma (Chou and Suarez, 1999).
Így tehát minden nap 3 előrejelzést futtattunk (3 különböző sugárzási
parametrizációval). Ezek alapján végeztük el az érzékenységi vizsgálatot mind a
szabványmódszerrel számolt globálsugárzást, mind az OMSZ mért szegedi globálsugárzást
referenciának véve egy-egy hónapos időintervallumra, 2017 augusztusára.
2. táblázat: a WRF modellkísérletek főbb beállításai.
Modell, verziószám WRF V3.7.1
Kezdeti- és peremfeltétel GFS analízis és előrejelzett mezői
Futtatások ideje 2017. március-augusztus (6 hónap)
2017. augusztus (júl. 31–aug. 31)
Futtatások kezdete minden nap 00 UTC
Futtatások időtartama 48 óra, augusztusra 72 óra is
Outputok időbeli felbontása 1 óra
Rácsfelbontás 10 km
Vertikális szintek száma 44, utófeldolgozásban 14
Modell tartomány Kárpát-medence
Idősor kiíratások Szeged, Kistelek
RRTMG-séma namelist.input ra_sw_physics:4
Dudhia-séma namelist.input ra_sw_physics:1
Frissített Goddard-séma namelist.input ra_sw_physics:5
21
Itt is fontos megjegyezni, hogy a munka elején még nem állt rendelkezésre mért
globálsugárzás, így az érzékenységvizsgálatot először a szabványmódszerrel számolt
globálsugárzással végeztük el. Ennek eredményeképpen választottunk ki a beállításokban
szereplő RRTMG rövidhullámú sugárzási sémát, amellyel azután elkészítettük a féléves
48 órás futtatásokat, valamint a 2017. augusztusi 72 órás futtatásokat a valószínűségi
vizsgálatokhoz.
4. ábra: A WRF mezoskálájú modell futtatás területe, valamint a két vizsgált hely
(Kistelek és Szeged).
4.2. Módszer
A 2017 augusztusi 48 órás WRF számítási eredményeket összevetettük az általunk
fejlesztett (Bán, 2015) globálsugárzás-számító program outputjával Szegedre, és így
választottuk ki a legjobb determinációs együtthatóval rendelkező sémát (RRTMG). A
globálsugárzást Kistelekre is kiírattuk a WRF modellből, amit az ottani naperőmű
teljesítményadataival vetettünk össze. Itt is az RRTMG sugárzási sémát alkalmaztuk. A
leírt összehasonlításokat elvégeztük tiszta égbolt (clear-sky) esetekre is, mely során csak a
0 okta megfigyelt felhőzettel, azaz a teljesen derült égbolttal (Szeged, 12982) rendelkező
órákat vettük figyelembe. Megjegyzendő, hogy a Szeged-Kistelek távolság 27 km. Később
az érzékenységi vizsgálatot elvégeztük Szegedre is az OMSZ-től kapott globálsugárzás
adatokkal. Az eredményeket az 5.1. fejezetben részletezzük.
Összehasonlítottuk a WRF-ből kinyert globálsugárzást a mért globálsugárzással
Szegedre, illetve a WRF modellből származó globálsugárzást a kisteleki naperőmű
termelési adataival. Különböző statisztikai módszerekkel vizsgáltuk a WRF modell
jóságát. Az eredményeket az 5.2. fejezetben mutatjuk majd be.
22
A féléves futtatások kiértékelése után került sor a 72 órás futtatásokra. 2017
augusztusát választottuk ki. Így előállt egy 24 órás, egy 48 órás és egy 72 órás előrejelzés
az adott napra. Ezeket is összevetettük a mért globálsugárzással Szegedre, valamint a
naperőmű termelési adataival Kistelekre.
Az összevetések során a 48 órás futtatásoknál mindig az előző nap éjfélkor (00 UTC)
indított WRF modellfuttatás adatait hasonlítottuk össze egy adott nap méréseivel, vagy a
mérésekből (szegedi felhőzet) származtatott sugárzási adatokkal. A 72 órás futtatásoknál
ugyanezen analógia alapján mindig a harmadik nap (48–72 óra) WRF modell
eredményeket szemléltük. Ennek megértéséhez a 5. ábra szolgáltat magyarázatot. Ezáltal
nemcsak elegendően hosszú felpörgési időt (spin up) hagytunk a modellnek, de a
megtermelt napenergia átvételi ára szempontjából is fontos, termelési terv készítéséhez
szükséges, operatív előrejelzéshez hasonló feltételek mellett vizsgálhattuk a modell
használhatóságát.
Megjegyezzük, hogy a modell futása ugyan 00 UTC-től kezdődik, de a tényleges
számítások minden nap 04 UTC-kor indulnak (spin up time). Ennyi idő kell a globális
modelleredmények letöltéséhez, a regionális futtatások előkészítéséhez. Ezt a feladatot az
ELTE Meteorológiai Tanszék számítógépes rendszere automatikusan végzi.
5. ábra: A WRF modellfuttatás sematikus képe az ELTE Meteorológiai Tanszék meteor9
számítógépén. Felül a meteorológiai mérések (kezdeti mezők), alatta
a 24 órás, illetve a 48 és 72 órás modellfuttatások.
23
5. Eredmények
A következő három alfejezetben az eredmények kerülnek bemutatásra. Elsőként az
általunk alkalmazott szabványmodellekkel számolt globálsugárzás és a WRF különböző
rövidhullámú sugárzási sémáinak beállításával kapott globálsugárzási adatok kapcsolatát
számszerűsítettük.
5.1. Érzékenységvizsgálat
A számolt globálsugárzást a szegedi szinoptikus állomás felhőzeti adataiból
határoztuk meg a magyar és a német szabványmódszer átlagaként, így a WRF futtatásból is
erre, a „szegedi rácspontra” írattam ki a globálsugárzást. Ekkor még mért adatok híján
voltunk. A WRF futtatások közül az RRTMG séma használatával kaptuk a legjobb
kapcsolatot. Itt a determinációs együttható 0,90-nek adódott (6. ábra). A három különböző
parametrizáció alkalmazásával kapott eredmények között azonban csekély eltérés
mutatkozott: a kapott determinációs együtthatók (R2) 0,90 és 0,87 között alakulnak. Jól
látszik a felhőzet, s így a globálsugárzás alul- és felülbecsléséből származó hiba is.
6. ábra: A felhőzeti adatokat felhasználó magyar és német szabványmodell átlagával számolt órás
globálsugárzás és a WRF modell három rövidhullámú sugárzási parametrizációjával kapott órás
globálsugárzás adatok összehasonlítása Szegedre 2017 augusztusára.
24
A 7. ábrán a szabványmódszer alapján és a WRF modellből számított
globálsugárzás napi meneteit ábrázoltuk 2017. augusztus 11–22 között. Úgy választottuk
az időszakot, hogy legyen benne teljesen derült és felhős nap is. Jól látható a WRF és az
általunk alkalmazott szabványmodell közötti „összhang” és „ellentmondás” is.
A viszonylag jó egyezés mellett is szembetűnő, hogy a WRF által szolgáltatott
globálsugárzás adatok magasabbak a referenciaként vett globálsugárzásnál, különösen kis
felhőzettel rendelkező napokon (augusztus 11, 14–18, 21, 22). Más esetekben (felhős
napokon), például augusztus 12-én és 19-én, a WRF modelleredmények olyan
haranggörbét írnak le, mint a felhőmentes, vagy gyengén felhős esetekkor, pedig az ekkor
megfigyelt felhőzet 7–8 okta körül alakult. Mindez jól látszódik a felhőzet alapján számolt
globálsugárzás menetében is. Ezeken a napokon a modell „rosszul teljesített”. Pontatlanul
írta le a helyi felhőképződést. Továbbá, ha megnézzük augusztus 13-át és 20-át, arra
láthatunk példát, hogy a megfigyelt felhőzet, ebből fakadóan a belőle számolt
globálsugárzás magasabb értékeket produkál, mint a WRF modellből kapott. Különösen
augusztus 13-án figyelhető meg érdekes ellentmondás magán a WRF-en belül is: a
különböző sugárzási parametrizációk egymástól lényegesen eltérő eredményeket adtak. Az
eltérések fizikai hátterének magyarázata, hogy i) tiszta égbolt esetben az algoritmusok
(sémák) máshogy kezelik a gázoknál az abszorpciót, emissziót és a sugárzás gyengülését,
ii) különbségek vannak a kezdeti nyomgázok koncentrációjában, iii) különbségek vannak a
felhőzet kezelésében is.
7. ábra: A felhőzeti adatokat felhasználó szabványmodellel számolt órás globálsugárzás és a WRF
három vizsgált rövidhullámú sugárzási parametrizációjával kapott órás globálsugárzás adatok napi
meneteinek összehasonlítása (Szeged, 2017. augusztus 11–22.).
25
Ahogy korábban is említettük, a fenti összehasonlítások alapján választottuk ki a
további vizsgálatokhoz a három parametrizációs módszer közül a WRF RRTMG
rövidhullámú sugárzás parametrizációs sémáját. Az így számolt órás kisteleki rácsponti
WRF globálsugárzás adatokat vetettük össze az ottani 500 kW névleges
összteljesítménnyel rendelkező naperőmű termelési adataival.
A termelési adatok korábban nyíltan elérhetőek voltak a fenntartó projekt cég
honlapján [3 – solargate.hu], azonban mára már hozzáférést kell igényelni. Az
eredményeket a 8. ábrán szemléltetjük. A determinációs együttható 0,91-nek adódott, ami
kiváló egyezésre utal. Fellelhető azonban több olyan adatpont-pár, ahol magas
globálsugárzás értékekhez alacsony termelési értékek párosulnak. Itt vehető észre, hogy a
WRF gyakran túlbecsli a globálsugárzást, így a valóságosnál nagyobb termelési adatokat
valószínűsít (ponthalmaz a regressziós görbe felett). A globálsugárzás előrejelzése a nagy
skálájú folyamatok mellett a lokális hatásoktól is függ, ami megnehezíti a modellezést.
Ennek tükrében kell értékelni a 0,91-es R2 értéket. Látszik továbbá az is, hogy kis termelési
adatok (kis besugárzás) esetén jobban növekszik az energiatermelés, mint nagy
besugárzások esetén. Az optimális regressziós görbék, intervallumok kialakítása a későbbi
kutatások feladata – megfelelő igény esetén.
Következő lépésként a kisteleki naperőmű termelési adatait és a WRF modellből
számított globálsugárzás napi meneteit ábrázoltuk a 9. ábrán 2017. augusztus 11. és 22.
között. Ha figyelmesen megnézzük az ábrát, számottevő eltérést látunk a görbék
menetében augusztus 13-án és 20-án. Ekkor a naperőmű termelése alacsony volt. A WRF
modell viszont kis felhőzetet (1–3 okta) és így nagy globálsugárzást adott különösen
augusztus 13-án. Mindezt, valószínűsíthetően egy konvektív kis skálájú légköri
képződmény okozhatta, amit a WRF modell „nem fogott meg” pontosan.
26
8. ábra: A kisteleki naperőmű teljesítményadatainak és a WRF modellből az RRTMG séma
beállításával nyert kisteleki globálsugárzás (G 48 – 48 órás eredmény, vagyis a második napra
kapott előrejelzések) összehasonlítása órás időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
9. ábra: A kisteleki naperőmű órás teljesítményének és a WRF modellből az RRTMG séma
beállításával kinyert kisteleki globálsugárzás adatok összehasonlítása a
2017. 08. 11–22. közötti időszakra, órás felbontásban.
Kutatásunk során az a kérdés is felmerült, hogy vajon milyen a kapcsolat az
előrejelzett globálsugárzás és a naperőmű termelési adatai között, ha csak tiszta égbolt,
angol szakkifejezéssel élve „clear-sky” esetekben vizsgálódunk (itt a szegedi mérésekre
hagyatkozhatunk). Ennek okán kiválogattuk az órás adatsorunkból azokat az órákat,
amikor nem volt felhő a szegedi szinoptikus állomás térségében (0 okta a SYNOP
táviratban). Ezekre az órákra kiszámítottuk a szabványmódszerrel a globálsugárzást
Szegedre, illetve kiírattuk a WRF RRTMG rövidhullámú sugárzási parametrizációs séma
alapján kapott globálsugárzás adatokat is. (10. ábra), továbbá érdekességképpen ezekben
az órákban megnéztük a kisteleki teljesítményadatok és a Kistelekre kapott WRF modell
RRTMG sémájával számított globálsugárzás adatok közötti kapcsolatot is (11. ábra).
27
10. ábra: Tiszta égbolt esetén („clear sky”) a szegedi szinoptikus állomás felhőzeti adatai alapján
számolt globálsugárzás és a WRF modellből az RRTMG séma beállításával kinyert globálsugárzás
összehasonlítása órás időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
A szegedi összehasonlítások kiemelkedően jó eredménnyel szolgáltak (10. ábra),
habár néhány adatpont-pár esetén a regressziós egyenes alatt megfigyelhető a WRF-ből
származó globálsugárzás alulbecslése a szabványmódszerrel számolt globálsugárzáshoz
képest. Ez a helyi hatások következménye: a modell akkor is felhőképződést adott (pl. 1–1
órával hamarabb), amikor a valóságban még nem volt. Az alulbecslések maximális értéke
kb. 100 W m–2. Ezek azok az esetek, amikor az általunk fejlesztett modellel (a megfigyelt
felhőzeti adatok alapján) számolt globálsugárzás magasabb értékeket produkál a WRF
globálsugárzásánál, tehát amikor a WRF nem „fogta meg” a megfigyelt felhőzetet. Ez
természetesen nem is várható el mindig a modelltől (lokális hatások).
A 11. ábra alapján a WRF több alkalommal – elsősorban kis előrejelzett
globálsugárzás esetén – nagyobb termelési értékeket valószínűsít, mint azt az erőmű
adatsora indokolná lineáris görbeillesztéssel. Ez ismét aláhúzza a besugárzási
intervallumok szerinti regressziós görbék alkalmazását gyakorlati alkalmazás esetén.
Természetesen a lokális hatások, mint a felhőképződés, és a Szeged-Kistelek távolság
szintén szerepet játszik a modellezett globálsugárzás és a termelési adatok közötti
eltérésekben (alul- és felül becslések). Az adatok kiválogatása a szegedi szinoptikus
állomáson észlelt derült esetekre történt, viszont a termelési adatok és a WRF előrejelzett
globálsugárzása Kistelekre vonatkozik. Itt csupán arra voltunk kíváncsiak milyen a
kapcsolat nem teljesen azonos földrajzi helyek esetén. A 0,96-os R2 érték önmagában is
figyelemre méltó.
28
11. ábra: Tiszta égbolt (szegedi SYNOP észlelések) esetén a kisteleki naperőmű órás
teljesítményadatainak és a WRF modellből az RRTMG séma beállításával kapott kisteleki
globálsugárzás összehasonlítása órás időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
A következő ábrán (12. ábra) a megismételt érzékenységi vizsgálat eredménye
látható az Országos Meteorológiai Szolgálattól kapott mért globálsugárzást referenciának
véve. Ezt a fenti eredmények után tudtuk csak elvégezni, ugyanis a mért globálsugárzás
adatok csak később kerültek birtokunkba. Mint az ábráról is leolvasható, ez a vizsgálat más
parametrizációt adott jobbnak (Dudhia), mint az alapbeállítás (RRTMG). Ez bizonyítja,
hogy az érzékenységi vizsgálatot is érdemes hosszabb időtávra elvégezni, nem csak egy
hónapra. Fontos továbbá, hogy a különböző parametrizációk között itt is kicsi a különbség:
a kapott determinációs együtthatók (R2) az RRTMG séma esetén 0,93, a Dudhia séma
esetén 0,95 és a frissített Goddard séma esetén 0,94. A WRF modell felülbecslése itt
egyértelműbb, mint az 1. ábrán: szembetűnően kevesebb adatpont pár helyezkedik el a
trendvonal alatt.
A féléves 48 órás futtatásokat az első, azaz a szabványmódszert használó
érzékenységvizsgálat alapján kiválasztott sémával készítettük el (nem állt rendelkezésre
sugárzásmérés). Így, a továbbiakban az RRTMG sémával kapott globálsugárzást tekintjük
a WRF globálsugárzásának.
29
12. ábra: A szegedi mérőállomásról (12982) származó globálsugárzás adatok és a WRF modell
három vizsgált rövidhullámú sugárzási parametrizációjával kapott órás globálsugárzás adatok
összehasonlítása 2017 augusztusára.
5.2. Vizsgálat féléves időtartamra (2017. március-augusztus)
Ebben a fejezetben a WRF modell hosszabb időtávon történő futtatásának
eredményeit értékeljük ki. Mint ahogy azt a korábbi fejezetekben is említettük, a
szimulációk során a rövidhullámú sugárzás parametrizálására az RRTMG sémát használtuk
és 48 órás előrejelzéseket készítettünk, órás felbontásban. Ez is a teljes Kárpát-medencére
készült. A szükséges eredményeket kiírattuk Szegedre és Kistelekre.
Először a Szegedre vonatkozó eredményeket mutatjuk be. A 13. ábrán a szegedi
mérőállomásról (12982) származó globálsugárzás adatok és a WRF modellből kinyert
globálsugárzás kapcsolatát számszerűsítjük. Itt is egyértelműen észrevehető a WRF modell
felülbecslése: nagyobb értékeket valószínűsít, mint amennyi a mérés szerint ténylegesen
volt. A mért és a modellezett adatok abszolút eltérések szórása 126,2 W m–2 (3. táblázat).
Megkerestük az abszolút eltérések maximumát is, tehát az előforduló legnagyobb abszolút
hibát. Ennek értéke 833,8 W m–2-nek adódott. Az átlagos hiba a mért globálsugárzás és a
WRF modell 48 órás globálsugárzása között 95,2 W m–2 volt. Ami a trendvonal alatti
adatpont párokat illeti (itt a WRF globálsugárzása alulmaradt a ténylegesen mért
globálsugárzás mellett) a helyi hatások következménye lehet: a modell akkor is
30
felhőképződést adott, amikor a valóságban még nem volt. Ezek azok az esetek, amikor a
mért globálsugárzás magasabb értékeket mutat a WRF globálsugárzásánál, tehát amikor a
WRF nem „fogta meg” a megfigyelt felhőzetet. Azonban a 0,88-as R2 érték bíztató
egyezést mutat.
A fenti számításokban alkalmazott abszolút hiba, az abszolút hiba maximuma (max
norma), az abszolút hiba szórása, és az átlagos hiba képlete rendre:
Abszolút hiba: 𝑋𝑖 = |𝐺𝐹𝑖− 𝐺𝑀𝑖
|. (21)
Abszolút hiba maximuma: 𝑀𝐴𝑋(𝑋𝑖). (22)
Abszolút hiba szórása: √∑ (𝑋𝑖−𝑋𝑖̅̅ ̅)𝑛
𝑖=1
(𝑛−1) . (23)
Átlagos hiba: ∑ 𝑋𝑖
𝑛𝑖=1
𝑛 , (24)
ahol GF az előrejelzett globálsugárzás W m–2-ben, GM pedig a mért globálsugárzás szintén
W m-2-ben, n a mintadarabszám (az órás adataink darabszáma, amivel dolgozunk).
13. ábra: A szegedi mérőállomásról (12982) származó globálsugárzás adatok és a WRF modellből
kinyert szegedi globálsugárzás (48 órás eredmény) összehasonlítása órás időlépcső esetén
(2017. március-augusztus, lineáris illesztéssel).
31
Következő lépésként a vizsgált fél évet szétbontottuk kisebb intervallumokra. 2017
tavasza látható a 14. ábra bal oldalán, nyara pedig a jobb oldalán. Ha megnézzük a
14. ábrát, látható, hogy a tavaszi időszak nagyobb bizonytalanságot hordoz, mint a nyári.
Ekkor a determinációs együttható (R2) 0,86-nak adódott, míg a nyári 0,90-nek. De még így
is túl nagy a trendvonal feletti pontok szóródása. Nézzük az eredményeket havi bontásban
(15. ábra)!
14. ábra: A szegedi (12982) mérőállomásról származó globálsugárzás adatok és a WRF modellből
kinyert szegedi globálsugárzás (48 órás futtatás) összehasonlítása órás időlépcső esetén
2017 tavaszára (balra) és nyarára (jobbra), lineáris illesztéssel.
32
15. ábra: A szegedi mérőállomásról származó globálsugárzás adatok és a WRF modellből kinyert
szegedi globálsugárzás (48 órás eredmény) összehasonlítása órás időlépcső esetén
2017. március-augusztus (balról jobbra, fentről le), lineáris illesztéssel.
33
Ha megnézzük a 15. ábrát, láthatjuk, hogy a legkisebb R2 értékkel a hat hónap
közül április (0,84), május (0,85) és június (0,86) rendelkezik. Emellett ebben a három
hónapban a legnagyobb az abszolút hibák szórása is (3. táblázat). A legkisebb szórással és
a legnagyobb determinációs együtthatóval (R2) március rendelkezik, azonban a júliusra
(R 2= 0,94) és az augusztusra (R2 = 0,93) kapott értékek is alig maradnak el mögötte. Ennek
magyarázata lehet, hogy a hat hónapból április, május és június (de főleg április) nagy
változékonysággal rendelkezett (gyakori frontátvonulások). Itt is látni a WRF modellre
jellemző felülbecslését a globálsugárzásban.
3. táblázat: A mért órás globálsugárzás és a WRF modell 48 órás futtatásaiból kinyert órás
globálsugárzás abszolút eltéréseinek szórása, maximuma, illetve az átlagos hiba Szegedre
különböző időintervallumokra, 50 W m–2 feletti mért értékeket tekintve.
Szórás [W m–2] Max norma [W m–2] Átlagos hiba [W m–2]
Félév 126,2 833,8 95,2
Március 92,9 403,1 81,1
Április 135,4 595,4 141,6
Május 146,1 714,2 110,7
Június 140,5 833,8 111,2
Július 100,8 614,9 70,7
Augusztus 107,6 657,6 58,3
A fentebb leírtak mellett részletesen vizsgáltuk a relatív hiba (RE) gyakoriságát is,
kiemelve áprilist, júniust és augusztust Tóth et al. (2017) munkája alapján. Ezzel próbáljuk
kimutatni az előrejelzés jóságát. RE értéket a következőképpen kell kiszámolni:
𝑅𝐸 =𝐺𝐹𝑖
−𝐺𝑀𝑖
𝐺𝑀𝑖
100, (25)
ahol RE a relatív hiba (%), GF az előrejelzett globálsugárzás W m–2-ben, GM pedig a mért
globálsugárzás szintén W m–2-ben. Ennek számítása során leválogattuk az 50 W m–2-nél
nagyobb mért globálsugárzással rendelkező adatokat. Így kiszűrtük a túl kicsi értékeket
Tóth et al. (2017) gondolatmenetét követve. Megnéztük a relatív hibák szerkezetét abban
az esetben is, ha csak a 100 W m–2 feletti mért adatokat vesszük figyelembe. A görbék
jellege hasonló volt, de pl. márciusban jelentősen csökkent az esetszám. A napenergia
hasznosítás számára ez már túl magas kritérium, így maradtunk az eredeti elgondolásnál,
és az 50 W m–2 kritikus mért érték feletti esetekben elemeztük a relatív hibát.
34
A relatív hibák gyakoriságát hisztogramokon ábrázoltuk (16–19. ábra). Ezek
x-tengelye 5%-os intervallumokkal lett ellátva, illetve a két szélső oszlop az 50% alatti,
valamint feletti relatív hibát reprezentálja. A 16. ábrán a féléves időtartamra készített
hisztogram látható. Az értékek az esetek 29%-ában estek a 0–5%-os relatív hiba
intervallumba. Viszont, ha a 15%-nál kisebb eltérések gyakoriságára vagyunk kíváncsiak,
az az esetek 59,7%-nál lesz. Erről az ábráról, és a többi hisztogramról is, egyértelműen
leolvasható a WRF jellemző felülbecslése (az x-tengely pozitív oldala). A teljes vizsgált
félévben azoknak az eseteknek a relatív gyakorisága, a melyeknek a relatív hibája 50%
felett van mindössze 19,5%. A havi bontású hisztogramokból kitűnik, hogy április
hónapban (17. ábra) legnagyobb ez a hiba (34,5%), míg augusztusban (19. ábra) a
legkisebb (10%). Továbbá az is feltűnő, hogy míg áprilisban a legkisebb az előrejelzés
beválási esélye, addig augusztusban a legnagyobb. Ez abból látszik, hogy áprilisban 0–5%-
os relatív hibával (x-tengelyen) az esetek 10,8%-a (y-tengelyen), illetve ±15%-os relatív
hibával (x-tengelyen) az esetek 33%-a (y-tengelyen) rendelkezik, míg augusztusban
ugyanezek rendre 39,3% és 76,3%. Ha júniust nézzük (18. ábra), látható, hogy ekkor a
WRF modell jobban teljesített, mint áprilisban, de kevésbé volt pontos, mint augusztusban.
Augusztust kevésbé változékony időjárás jellemezte, mint júniust, amikor gyakrabban
fordultak elő frontátvonulások, zivataros, csapadékos időszakok.
Megvizsgáltuk a relatív hibák szórását is az órás adatsorra. Áprilisra és augusztusra
kaptuk a legnagyobb értéket (4. táblázat).
16. ábra: A relatív hiba gyakorisága az órás globálsugárzás adatokra, 50 W m–2 feletti mért
értékeket tekintve. (Fél éves időtartamra, modelleredmény a 48 órás futtatásból, Szeged).
35
17. ábra: A relatív hiba gyakorisága az órás globálsugárzás adatokra, 50 W m–2 feletti mért
értékeket tekintve. (2017 április, modelleredmény a 48 órás futtatásból, Szeged)
18. ábra: A relatív hiba gyakorisága az órás globálsugárzás adatokra, 50 W m–2 feletti mért
értékeket tekintve. (2017. június, modelleredmény a 48 órás futtatásból, Szeged)
19. ábra: A relatív hiba gyakorisága az órás globálsugárzás adatokra, 50 W m–2 feletti mért
értékeket tekintve. (2017. augusztus, modelleredmény a 48 órás futtatásból, Szeged)
36
4. táblázat: Relatív hiba (%) szórása (%) Szegedre (12982) 50 W m–2 feletti
mért órás adatokra nézve.
Órás adatok
Félév 82,1%
Március 63,7%
Április 90,0%
Május 85,4%
Június 93,6%
Július 43,8%
Augusztus 96,5%
Az elemzésünk következő részében a Kistelekre kapott eredményekkel
foglalkozunk. Itt is készítettünk pontdiagramokat (féléves időszakra, külön tavaszra és
nyárra, illetve havi bontásban is).
20. ábra: A kisteleki naperőmű teljesítményadatainak (P, kW) és a WRF modellből kinyert kisteleki
globálsugárzás (48 órás eredmény) összehasonlítása órás időlépcső esetén 2017 márciusától
augusztusáig lineáris illesztéssel.
A 20. ábrán a kisteleki naperőmű termelési adatai és a WRF modellből kinyert
kisteleki globálsugárzás kapcsolatát számszerűsítettük. Észrevehető, hogy a WRF modell
globálsugárzása sok esetben felülbecsül, akár csak a 8. ábrán. Tehát sokkal nagyobb
sugárzási értékeket valószínűsít a modell, mint amennyit a mért teljesítményadatokból
következtethetünk. Azonban szép számban fordul elő alábecslés is: a trendvonal alatti
adatpont-párok esetében a WRF globálsugárzása alulmaradt, míg a termelési adatokra
tekintve sokkal nagyobb besugárzás valószínűsíthető. Ez a helyi hatások következménye
37
lehet: a modell akkor is felhőképződést adott, amikor a valóságban még nem volt. Ezek
azok az esetek, amikor a WRF nem „fogta meg” a megfigyelt felhőzetet. Sokban hasonlít a
Szegedre levont következtetésekhez, az R2 érték 0,83. A naperőmű 100–200 kW alatti
teljesítményadatai esetén (20. ábra) a ponthalmaz a trendvonal felett sűrűsödik, tehát a
WRF modell magasabb globálsugárzás értékeket mutat, mint amit az adott termelési
adatból valószínűsíteni lehet lineáris kapcsolat mellett.
21. ábra: A kisteleki naperőmű teljesítményadatainak és a WRF modellből kinyert kisteleki
globálsugárzás (48 órás eredmény) összehasonlítása órás időlépcső esetén
2017 tavaszára (balra) és nyarára (jobbra), lineáris görbeillesztéssel.
Itt is szétbontottuk a fél évet kisebb intervallumokra. 2017 tavasza látható a
21. ábra bal oldalán, nyara pedig a jobb oldalán. A tavaszi időszak itt is nagyobb
bizonytalanságot hordoz, mint a nyári, hasonlóan a szegedi eredményekhez. A tavaszi
determinációs együttható (R2) 0,77-nek, a nyári 0,88-nak adódott. De még így is túl nagy a
trendvonal feletti pontok szóródása. Következő lépésként itt is megnéztük az eredményeket
havi bontásban (17. ábra). A legkisebb R2 értékkel a március (0,71) és az április (0,80)
rendelkezik. A legnagyobb determinációs együttható júliusra (R2 = 0,91) és augusztusra
(R2 = 0,91) adódott. Továbbra is elmondható, hogy a tavaszi hónapok felelősek a féléves
képen a nagy bizonytalanságért, az időjárás nagyobb változékonysága miatt. Itt is látni a
WRF modellre jellemző felülbecslését a globálsugárzásban.
38
22. ábra: A kisteleki naperőmű teljesítményadatainak és a WRF modellből kinyert kisteleki
globálsugárzás (48 órás eredmény) összehasonlítása órás időlépcső esetén 2017. március-
augusztus, lineáris illesztéssel (balról jobbra és fentről le, hónapok szerint).
39
5.3. „Kvázi-ensemble”
Ebben a fejezetben arra a kérdésre kerestük a választ, vajon hogy viselkedik a
modell hosszabb integrálási idő esetén. Így előállítottuk a 24 és 48 órás előrejelzések
mellett a 72 órás eredményeket is. Ezt csak egy hónapra végeztük el, 2017 augusztusára.
Az eredményeket továbbra is Szegedre és Kistelekre írattuk ki órás felbontásban.
Itt is készítettünk pontdiagramokat, Szegeddel kezdve. Összehasonlítottuk a mért
globálsugárzás adatokkal a 24 órás (23. ábra), a 48 órás (24. ábra) és a 72 órás
(25. ábra) WRF futtatásból származó eredményeket. Ennek során a legjobb egyezést a
24 órás modelleredményekkel kaptuk, itt a determinációs együttható (R2) 0,94-nek adódott.
Ezzel megegyező eredményt kaptunk a 72 órás futtatásokra (harmadik napi eredmények),
majd ezt követték a 48 órás előrejelzések (R2 = 0,93). Ám ezek között a különbség csekély.
23. ábra: A szegedi mérőállomásról származó globálsugárzás adatok és a WRF modellből kinyert
szegedi globálsugárzás (G 24 – 24 órás, aznapi eredmény) összehasonlítása
órás időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
24. ábra: A szegedi mérőállomásról származó globálsugárzás adatok és a WRF modellből kinyert
szegedi globálsugárzás (G 48 – 48 órás, második napi eredmény) összehasonlítása
órás időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
40
25. ábra: A szegedi mérőállomásról származó globálsugárzás adatok és a WRF modellből kinyert
szegedi globálsugárzás (G 72 – 72 órás, harmadik napi eredmény) összehasonlítása
órás időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
Továbbra is jellemző a WRF modell globálsugárzás felülbecslése a mért adatokhoz
képest (pontok a trendvonal felett). Ha megnézzük a három ábrát egymás után,
észrevehető, hogy az előrejelzési időtartam növelésével több adatpont-pár jelenik meg a
trendvonal alatt. Itt a WRF, valószínűsíthetően a lokális, kis skálájú folyamatok végett,
egyre kevésbé pontosan fogja meg a felhőzetet, egyre többször és egyre nagyobb
intenzitással ad az indokoltnál alacsonyabb globálsugárzást. Ha megnézzük a 3 ábrát, a
trendvonal alatti pontok egyre „mélyebbre ereszkednek” (egyre messzebb kerültek a
trendvonaltól).
Az abszolút eltérések szórásait az 5. táblázat tartalmazza. Megkerestük az abszolút
eltérések maximumát (maximum normát) is, tehát az előforduló legnagyobb hibát. Itt a 24
órás futtatásnál adódott a legnagyobb abszolút eltérés. Ez is látható az 5. táblázaton az
átlagos hibák értékei mellett. Elmondható, hogy az órás adatok abszolút hibáinak szórására
a 48 órás futtatásoknál volt a legnagyobb érték. A 72 órás eredmény itt is meglepően jó lett,
jobb, mint a 48 órás. Megnéztük az átlagos hibát is, ezek értéke rendre nő az előrejelzési
idő függvényében, igaz csekély mértékben.
41
5. táblázat: A mért órás globálsugárzás és a WRF modell 24, 48 és 72 órás futtatásaiból
(G 24, G 48, G 72) kinyert órás globálsugárzás abszolút eltéréseinek szórása,
maximuma, illetve átlagos eltérése (W m–2).
Szórás [W m–2] Max norma [W m–2] Átlagos hiba [W m–2]
G 24 94,5 666,8 56,6
G 48 107,6 657,6 58,3
G 72 97,4 648,0 59,1
Itt is számoltunk relatív hibát. Kritériumként ismét az 50 W m–2 mért
globálsugárzást választottuk. Eredményeinket (2017. augusztus) hisztogramokon
ábrázoltuk (26–28. ábra). A beosztásokat és az elrendezést ugyanúgy oldottuk meg, mint a
16–19. ábrákon. Az értékek a 24, 48 és 72 órás eredményeket nézve rendre az esetek
38,5%, 39,3% és 36,7%-ában estek a 0–5%-os relatív hiba intervallumba. Viszont, ha a
±15%-on belüli relatív hibák esetszámát nézzük, akkor ezek már rendre 75%, 76,3% és
73,7%. A 72 órás futtatásból származó eredmény teljesített a leggyengébben, azonban
nagyon csekély mértékkel (~3%) maradt el a többitől. Itt is jól látszik a WRF modell
felülbecslése (x-tengely pozitív oldala). Az 50% feletti relatív hibával rendelkező esetek
relatív gyakorisága rendre 10,2%, 10% és 10,5%. Ezek is nagyon közeli értékeknek
bizonyulnak.
26. ábra: A relatív hiba (%) gyakorisága (%) az órás globálsugárzás adatokra, 50 W m–2 feletti mért
értékeket tekintve. (2017. augusztus, modelleredmény a 24 órás futtatásból, Szeged)
42
27. ábra: A relatív hiba gyakorisága az órás globálsugárzás adatokra, 50 W m–2 feletti mért
értékeket tekintve. (2017. augusztus, modelleredmény a 48 órás futtatásból, Szeged)
28. ábra: A relatív hiba gyakorisága az órás globálsugárzás adatokra, 50 W m–2 feletti mért
értékeket tekintve. (2017. augusztus, modelleredmény a 72 órás futtatásból, Szeged)
Itt is megnéztük a relatív hibák szórását (6. táblázat) az órás adatsorra. A táblázatról
leolvasható, hogy a 48 órás futtatásból származó és a mért globálsugárzás adatok között
számolt relatív hibák szórása a legnagyobb. Ez nem meglepő, hiszen, ha megnézzük a
hisztogramokat, látható, hogy a 48 órás futtatási eredményeket használva (27. ábra)
nagyobb gyakorisággal estek a relatív hibák a 0–5%-os intervallumba, mint a 24, illetve a
72 órás futtatási eredményeket alkalmazva. Az 50%-ot meghaladó relatív hibák
gyakorisága azonban szinte ugyanakkora.
43
6. táblázat: A 2017 augusztusi relatív hibák szórása Szegedre (12982) a mért adatokból és
a WRF modell 24, 48 és 72 órás futtatásaiból.
Órás adatok
G 24 93,9%
G 48 96,5%
G 72 79,4%
Felhőmentes esetre is összehasonlítjuk a mért globálsugárzást a 24, a 48 és a 72
órás futtatási eredményekkel (29–31. ábra). Elsőként kiválogattuk az órás adatsorunkból
azokat az eseteket, amikor a szegedi szinoptikus állomás felhőzete 0 okta volt. A három
ábra csekély eltérést mutat, tehát leszűrhető, hogy felhőmentes esetekre a modell akár
72 órára is bátran alkalmazható. Bár a 72 órás eredményeket használva (31. ábra) a WRF
alulbecslése már erősebben megmutatkozik. Ez természetes, hiszen a mért felhőmentes
órákat kell „eltalálnia” a modellnek. A determinációs együttható 0,98 körül alakult mind a
három esetben.
29. ábra: Tiszta égbolt esetén („clear sky”) a szegedi mérőállomásról származó globálsugárzás
adatok és a WRF modell szegedi globálsugárzásának (24 órás eredmény) összehasonlítása órás
időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
44
30. ábra: Tiszta égbolt esetén („clear sky”) a szegedi mérőállomásról származó globálsugárzás
adatok és a WRF modell szegedi globálsugárzásának (48 órás eredmény) összehasonlítása órás
időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
31. ábra: Tiszta égbolt esetén („clear sky”) a szegedi mérőállomásról származó globálsugárzás
adatok és a WRF modell szegedi globálsugárzásának (72 órás eredmény) összehasonlítása órás
időlépcső esetén 2017 augusztusára, lineáris illesztéssel.
Kistelekre is elkészítettük az pontdiagramokat, amelyeken összehasonlítottuk a 24,
48 és 72 órás futtatásokból kapott kisteleki globálsugárzást és a kisteleki naperőmű
termelési adatait (32–34. ábra). Itt a 48 és a 72 órás előrejelzések (a második és harmadik
napra vonatkozó előrejelzések) nagyon hasonló képet mutatnak (33. és 34. ábra).
A determinációs együtthatók (R2), mivel augusztusról van szó, magas értékeket és nagyon
jó egyezést mutatnak. A 24 órás futtatás során 0,93, míg a 48 és a 72 órás esetében 0,90 és
0,92 értékeket kaptunk.
45
32. ábra: A kisteleki naperőmű teljesítményadatainak és a WRF modellből kinyert kisteleki
globálsugárzás (24 órás eredmény) összehasonlítása órás időlépcső esetén 2017 augusztusára,
lineáris illesztéssel.
33. ábra: A kisteleki naperőmű teljesítményadatainak és a WRF modellből kinyert kisteleki
globálsugárzás (48 órás eredmény) összehasonlítása órás időlépcső esetén 2017 augusztusára,
lineáris illesztéssel. (Ugyanaz, mint a 3. ábra.)
34. ábra: A kisteleki naperőmű teljesítményadatainak és a WRF modellből kinyert kisteleki
globálsugárzás (72 órás eredmény) összehasonlítása órás időlépcső esetén 2017 augusztusára,
lineáris illesztéssel.
46
Ezek után, úgy ahogy azt a 11. ábra esetében is tettük, leválogattuk a szegedi derült
órák (0 okta felhőzet) alapján a kisteleki teljesítmény adatokat és az ugyanide kapott WRF
modell 24, 48 és 72 órás előrejelzéséből származó globálsugárzás adatokat (35–37. ábra).
Természetesen számolni kell a földrajzi elhelyezkedésből adódó hibával, így az
eredmények csak tájékoztató jellegűek. „Jó hír”, hogy a determinációs együtthatók
mindhárom esetben 0,96 körül alakultak.
35. ábra: Tiszta égbolt esetén („clear sky”) a kisteleki naperőmű órás teljesítményadatainak és a
WRF modellből kapott kisteleki globálsugárzás (24 órás eredmény) összehasonlítása órás időlépcső
esetén 2017 augusztusára, lineáris illesztéssel.
36. ábra: Tiszta égbolt esetén („clear sky”) a kisteleki naperőmű órás teljesítményadatainak és a
WRF modellből kapott kisteleki globálsugárzás (48 órás eredmény) összehasonlítása órás időlépcső
esetén 2017 augusztusára, lineáris illesztéssel. (Ugyanaz, mint a 11. ábra.)
47
37. ábra: Tiszta égbolt esetén („clear sky”) a kisteleki naperőmű órás teljesítményadatainak és a
WRF modellből kapott kisteleki globálsugárzás (72 órás eredmény) összehasonlítása órás időlépcső
esetén 2017 augusztusára, lineáris illesztéssel.
48
6. Összegzés
Diplomamunkámban a napenergia hasznosításával foglalkoztam. Azt vizsgáltam,
hogy a meteorológiai előrejelzések (globálsugárzás) hogy alkalmazhatók a naperőművek
termelési előrejelzéseiben, ami jellemzően meteorológus feladat. Elsőként a napenergia
hasznosítás hazai kérdéseivel (napelemek, napkollektorok, naperőmű fejlesztések,
beruházások) foglalkoztam. Ezt követően az alkalmazott meteorológiai előrejelzési
modellel (WRF) ismertettem meg az olvasót. Részletesen elemeztem a modell
rövidhullámú sugárzási parametrizációs sémáit, rámutattam azok különbségeire. Ezt
követte a magyar és a német globálsugárzás számító környezeti szabványmódszerek
bemutatása. A korábbi kutatásaimban már használt eljárás az év adott órájában adott helyen
a felhőzet ismeretében számítja a globálsugárzást. Itt is az Excel környezetben megírt
Basic nyelvű makrót használtam. A 2017. március-augusztus közötti időszakot vizsgáltam.
Rendelkezésre álltak a szegedi meteorológiai állomás (12982) SYNOP táviratai és az ott
végzett globálsugárzás mérés órás adatai. Szintén letöltöttük a közeli (27 km) kisteleki
naperőmű termelési adatait.
Elemeztük a WRF modell három leggyakrabban használt rövidhullámú sugárzási
parametrizációját (Dudhia, 1989; Iacono et al., 2008, Chou and Suarez, 1999), s
kiválasztottuk a szegedi adatokra legjobban illeszkedőt. A szabványmódszerrel kapott
globálsugárzási adatokhoz az RRTMG sémával (Iacono et al., 2008) végzett WRF
futtatások álltak legközelebb (2017 augusztusi futtatások). A mért globálsugárzással
történő összehasonlítás során a Dudhia séma bizonyult a legjobbnak. A 3 séma eredményei
között nem voltak számottevő eltérések. Mivel a vizsgálat első szakaszában még nem
álltak rendelkezésre a szegedi mért globálsugárzás, a féléves futtatásokat az RRTMG
sémával végeztük. Ez egyébként a WRF V3.7.1 verziójának alapbeállítása, ami az ELTE
Meteorológiai Tanszék meteor9 nevű számítógépén futott.
Elvégeztük a kisteleki naperőmű termelési adatainak és a WRF modell
globálsugárzási előrejelzéseinek összehasonlító vizsgálatát is (2017. március-augusztus).
A futtatásokat minden nap 00 UTC-vel kezdtük. 48 órás integrálásokat végeztünk.
Vizsgálatainkban a 24–48 órás eredményt használtuk. Az R2 érték 0,83-nak adódott, ami jó
egyezésre utal. Havi bontásban a legkisebb R2 értékkel a március (0,71) és az április (0,80)
rendelkezik. A legnagyobb determinációs együttható júliusra (R2 = 0,91) és augusztusra
(R2 = 0,91) adódott. A tanszéki WRF modell alkalmazható napenergia termelési
előrejelzésekre.
49
A féléves vizsgálat után (48 órás futtatások) 72 órás futtatásokat is készítettünk
2017 augusztusára. Így minden napra 3 előrejelzési adatsor állt rendelkezésre állt
rendelkezésre (24, 48 és 72 órás eredmények), ami lehetővé tette a sugárzási előrejelzések
pontosságának vizsgálatát az előrejelzési idő függvényében. Megnéztük az eredményeket
Szegedre és Kistelekre is. Az R2 eredmények mindkét helyen, minden esetben 0,90 és 0,94
közöttinek adódtak, az átlagos hibák között is kicsi a különbség, tehát elmondható, hogy a
48 órás előrejelzés mellett a 72 órás előrejelzés is jól használható.
A WRF modellel kapott globálsugárzási előrejelzés – megfelelő modell output
statisztikák használatával – alkalmas naperőművek napi, vagy napszakos termelési
előrejelzéséhez, de természetesen kritikával kell fogadni az órás, vagy annál rövidebb
időszakokra vonatkozó adatokat. Ez a modell jellegéből és a légköri folyamatok skála-
analíziséből következik. Minden esetben elmondható, hogy a WRF-re jellemző a
globálsugárzás felülbecslése. További vizsgálatokhoz – megfelelő felhasználói igény
esetén – hosszabb időszakra (akár több évre) vonatkozó WRF futtatások és célzott modell
output statisztikák szükségesek.
50
Köszönetnyilvánítás
Elsőként szeretnék köszönetet mondani Dr. Weidinger Tamás egyetemi docensnek a
munkám során nyújtott segítségéért, kitartó türelméért. Köszönet illeti Gyöngyösi András
Zénót is, aki bevezetett a WRF modell rejtelmeibe és működésébe, továbbá köszönöm
neki, hogy a témában felmerülő kérdéseimre mindig készségesen válaszolt.
Köszönet illeti a Solargate Energetikai Beruházó Kft-t, hogy egy bizonyos ideig a
rendszer által megtermelt áram mennyiségét folyamatosan nyomon követhető és bárki
számára hozzáférhetővé tette az interneten keresztül.
Köszönetet mondok továbbá az Országos Meteorológiai Szolgálatnak a
rendelkezésemre bocsátott globálsugárzás adatokért. Külön köszönet illeti Kordás Nórát és
Nagy Zoltán osztályvezetőt. Ezúton szeretném megköszönni OMSZ-os kollégáimnak,
Zsebeházi Gabriellának, Garamszegi Balázsnak, Szabó Péternek és osztályvezetőmnek,
Bihari Zitának, a diplomafélévemben irántam tanúsított türelmet és a sok segítséget,
bíztatást.
Köszönöm Kristóf Erzsébetnek, hogy segítséget nyújtott az R programban a
hisztogramok ábrázolásakor. Nélküle ezek a szép ábrák nem jöhettek volna létre.
Köszönöm a támogatást és a biztató szavakat családomnak és barátaimnak,
mindenekelőtt Farkas Ritának és Kovács Dorottyának, s mindazoknak, akik mellettem
álltak és lelkesítettek a dolgozat megírása során.
51
Irodalomjegyzék
Bartholy J., Breuer H., Pieczka I., Pongrácz R., Radics K., (2013): Megújuló
energiaforrások. E-jegyzet, Eötvös Loránd Tudományegyetem.
Barótfi I., (2000): Környezettechnika. Mezőgazda Kiadó.
(http://www.tankonyvtar.hu/hu/tartalom/tkt/kornyezettechnika-eloszo/ch02s05.html)
Bartók B. (2013): A globálsugárzás változásai Európában. Doktori (PhD) értekezés,
Debreceni Egyetem (témavezetők: Mika János és Tar Károly), Debrecen 133 p.
Bán B. (2015): Globálsugárzás modellezése energetikai vizsgálatokhoz. Szakdolgozat,
ELTE Meteorológiai Tanszék (Témavezető: Weidinger T.), 50 p.
Bán B. (2016): WRF modellszámításokra alapozott napenergia termelési előrejelzés
fejlesztése. Környezet és Energia a Mindennapokban (szerk.: Lázár I.), Debrecen.
77-84. ISBN: 978-96-7064-3-0
Bán B., Weidinger T., Gyöngyösi A. Z. (2018): A WRF időjárás előrejelző modell
rövidhullámú sugárzási parametrizációinak alkalmazása napenergia előrejelzésekhez.
Környezet és Energia (szerk.: Lázár I.), Debrecen, 157–163. ISBN: 978-963-7064-
36-4
Barker, H. W., R. Pincus, and J.-J. Morcrette (2002): The Monte Carlo Independent
Column Approximation: Application within large-scale models. Paper presented at
the GCSS-ARM Workshop on the Representation of Cloud System in Large-Scale
Models, Global Energy and Water Cycle Exp. Cloud Syst. Stud. – Atmos. Radiat.
Meas. Program, Kananaskis, Alberta, Canada, 20–24.
Bottyán Zs. (2016): A pilóta nélküli repülőeszközök meteorológiai alkalmazásának
lehetőségeiről I. az időjárás-felderítés. Repüléstudományi Közlemények XXVIII.
évfolyam 2016/2, 57–70.
Chou, M.-D. and M. Suarez (1994): An efficient thermal infrared radiation
parameterization for use in general circulation models. NASA Tech. Mem. 104606,
3, Technical Report Series on Global Modcling and Data Assimilation. 85 pp.
Chou, M.-D., Suarez, M. J., Ho, C.-H., Yan, M. M.-H., Lee, K.-T. (1997): Parametrizations
for Cloud Overlapping and Shortwave Single-Scattering Properties for Use in
General Circulation and Cloud Ensemble Models. Journal of Climate, American
Meteorological Society 11, 202–214.
Chou, M.-D., Suarez, M.J. (1999): A Solar Radiation Parameterization (CLIRAD-SW)
Developed at Goddard Climate and Radiation Branch for Atmospheric Studies,
Goddard Space Flight Center, Greenbelt, 1999. NASA Tech. Memo.,
NASA/TM1999e104606(15).
Collins, W., P. J. Rasch, B. a. Boville, J. J. Hack, J. R. Mccaa, D. L. Williamson, J. T.
Kifhi, B. Briegleb, C. Bitz, S.-J. Lin, M. Zhang, Y. Dai (2004): Description of the
NCAR Community Atmosphere Model (CAM 3.0). NCAR Technical Note
NCAR/TN-464+STR, doi:10.5065/D63N21CH.
Czelnai R., (1995): Bevezetés a meteorológiába I. Tankönyvkiadó, Budapest, 338 p.
Dudhia, J. (1989): Numerical study of convection observed during the winter monsoon
experiment using a mesoscale two-dimensional model. Journal of the Atmospheric
Sciences 46(20), 3077–3107.
52
EC (1997): Communication from the Commission Energy for the future: renewable
sources of energy COM(97)599 final. White Paper for a Community Strategy and
Action Plan COM(97)599 final, European Commission, Brüsszel, november 26.
http://europa.eu/documents/comm/white_papers/pdf/com97_599_en.pdf
EB (2005): Zöld könyv az energiahatékonyságról, avagy többet kevesebbel. COM (2005)
0265.végleges, Európai Közösségek Bizottsága, Brüsszel, június 22. http://eur-
http://eur-lex.europa.eu/legal-content/HU/TXT/PDF/?uri=CELE X:52005DC0265
&from=HU
EB (2006a): Zöld könyv. Európai stratégia az energiaellátás fenntarthatóságáért,
versenyképességéért és biztonságáért SE C (2006) 317. végleges. Európai
Közösségek Bizottsága, Brüsszel, augusztus 3. http://eur-lex.europa.eu/legal-
content/HU/TXT/?uri=CELE X:52006DC0105
EB (2006b): Energiahatékonysági cselekvési terv: a lehetőségek kihasználása. COM
(2006) 545.végleges. Európai Közösségek Bizottsága, Brüsszel, december 19.
http://eur-lex.europa.eu/legal-content/HU/ALL /?uri=CELE X:52006DC0545
EB (2007b): Európai energiapolitika COM/2007/0001 végleges. Európai Közösségek
Bizottsága, Brüsszel, január 10. http://eur-lex.europa.eu/legal-content/HU/ALL
/?uri=CELE X:52007DC0001
EB (2010): Energia 2020. A versenyképes, fenntartható és biztonságos energiaellátás és -
felhasználás stratégiája. COM/2010/0639 Európai Bizottság, Brüsszel, január 14.
http://eur-lex.europa.eu/LexUriServ/LexUriServ.do?uri=CELE
X:52010DC0639R%2802%29:HU:HTML
EB (2014): Éghajlat- és energiapolitikai keret a 2020–2030-as időszakra COM (2014) 15
végső. Európai Bizottság, Brüsszel, január 22. http://www.ipex.eu/ipeXl-
Web/dossier/document/COm20140015.do
ET (2014): A 2030-ig tartó időszakra vonatkozó éghajlat- és energiapolitikai keret.
Európai Tanács, Brüsszel, október 23. http://www.consilium.europa.eu/
uedocs/cms_data/docs/pressdata/HU/ec/145379.pdf
Farkas I. (2010): A napenergia hasznosításának hazai lehetőségei. Magyar Tudomány
2010/8, 937−946.
Farkas I. (2017): Napenergia-hasznosítás – hazai és nemzetközi helyzetkép. Magyar
Tudomány 2017/5, 517–523.
Fels, S. B., and M. D. Schwarzkopf (1981), An efficient, accurate algorithm for calculating
CO2 15 mm band cooling rates, Journal of Geophysical Research, 86, 1205 – 1232.
Fu, Q. and Liou, K. N. (1992): On the correlated k-distribution method for radiative
transfer in nonhomogeneous atmospheres. Journal of the Atmospheric Sciences 49,
2139–2156.
Gu, Y., Liou, K. N., Ou, S. C., and Fovell, R. (2011): Cirrus cloud simulations using WRF
with improved radiation parameterization and increased vertical resolution. Journal
of Geophysical Research 116, D06119, doi:10.1029/2010JD014574.
Iacono, M. J., Mlawer, E. J., Clough, S. A., Morcrette, J.-J. (2000): Impact of an improved
longwave radiation model, RRTM, on the energy budget and thermodynamic
properties of the NCAR comunity climate model, CCM3, Journal of Geophysical
Research, 105, 14,873-14,890.
53
Iacono, M. J., Delamere, J. S., Mlawer, E. J., Clough, S. A. (2003): Evaluation of upper
tropospheric water vapor in the NCAR community climate model (CCM3) using
modeled and observed HIRS radiances. Journal of Geophysical Research, 108(D2),
4037.
Iacono, M. J., Delamere, J. S., Mlawer, E. J., Shephard, M. W., Clough, S. A., Collins, W.
D. (2008): Radiative forcing by long-lived greenhouse gases: Calculation with the
AER radiative transfer models. Journal of Geophysical Research 113, D13103, 1–8.
Jerez, S., Tobin, I., Vautard, R,, Montávez J.P., López-Romero, J.M., Thais, F., Bartok, B.,
Christensen, O.B., Colette, A,, Déqué, M., Nikulin, G, Kotlarski, S., van Meijgaard,
E., Teichmann, C., Wild, M., 2015: The impact of climate change on photovoltaic
power generation in Europe. Nature Communications 11, 6:10014. doi:
10.1038/ncomms10014.
Joseph, J. H., W. j. Wiscombe, J. A. Weinman (1976): The delta-Eddington approximation
for radiative flux transfer. Journal of the Atmospheric Sciences, 33, 2452-2459.
Kasten, F. (1989): Strahlungsaustauch Zwischen Oberflächen und Atmosphäre, VDI
Berichte NR. 721, 131–151.
Lacis, A. A., Hansen, J. E. (1974): A parameterization for the absorption of solar radiation
in the Earth’s atmosphere. Journal of the Atmospheric Sciences, 31, 118-133.
László J. (szerk.) (2018): Újfajta naperőműveket hoz Magyarországra a napenergia-
forradalom. Bartal Tamás, a Miniszterelnökség helyettes államtitkárának
nyilatkozata, MVM Hírlevél VII. évfolyam 2018. április 23. 7-9 p.
Major Gy. (szerkesztő) Takács O., Nagy Z. és R. Paál A. (1985): A napenergia hasznosítás
meteorológiai megalapozása Magyarországon. ÉTI kiadvány. Budapest, 189 p.
Major Gy., Nagy Z., Tóth Z. (2002): Magyarországi éghajlat-energetikai tanulmányok No.
9. Budapest. 52 oldal (http://korny.uni-corvinus.hu/kti/9_szam.pdf)
Major Gy., (2010): Mennyire ismerjük a napállandót és a föld albedóját? Légkör 55. évf. 1.
szám, 7–10.
Mesinger, F., and Arakawa, A. A. (1976): Numerical methods used in atmospheric models.
GARP Publ. Ser. 17(I), 64 pp.
Mészáros R., (2013): Meteorológiai műszerek és mérőrendszerek. E-jegyzet, Eötvös
Loránd Tudományegyetem.
Mlawer, E. J., S. J. Taubman, P. D. Brown, M. J. Iacono, and S. A. Clough (1997):
Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated k-
model for the longwave. Journal of Geophysical Research, 102, 16,663-16,682.
Molnár Cs. (2015): A rövidhullámú sugárzás modellezése komplex felszínek felett.
Diplomamunka, ELTE Meteorológiai Tanszék (Témavezető: Weidinger T.), 56 p.
NFM (2010): Magyarország megújuló energia hasznosítási cselekvési terve/ 2010–2020.
Nemzeti Fejlesztési Minisztérium, Budapest, ISBN 978-963-89328-0-8, 224 p.
http://2010-2014.kormany.hu/download/2/b9/30000/Meg%C3%BAjul%C3%B3%
20Energia_Magyarorsz%C3%A1g%20Meg%C3%BAjul%C3%B3%20Energia%20
Hasznos%C3%ADt%C3%A1si%20Cselekv%C3%A9si%20terve%202010_2020%2
0kiadv%C3%A1ny.pdf
54
Oreopoulos, L., and H. W. Barker (1999): Accounting for subgrid-scale cloud variability in
a multi-layer 1-D solar radiative transfer algorithm. Quarterly Journal of the Royal
Meteorological Society, 125, 301-330.
Pálfy M., (2005): A napenergia fotovillamos hasznosításának potenciálja Magyarországon.
Elektrotechnika 98. évf. 11. szám, 293–295.
Pincus, R., H. W. Baker, and J.-J. Morcrette (2003): A fast, flexible, approximate technique
for computing radiative transfer in inhomogeneous cloud fields. Journal of
Geophysical Research, 108(D13), 4376.
Práger T., Ács F., Baranka Gy., Feketéné N. K., Mészáros R., Szepesi D., Weidinger T.
(1999): A légszennyező anyagok transzmissziós szabványainak korszerűsítése, III.
Részjelentés 2., OMSZ.
Sebestyénné Szép T. (2016): Energetikai konvergencia az Energia 2020 stratégia tükrében.
Közgazdasági Szemle LXIII. évfolyam 2016. május. 564–587.
Skamarock, W. C., Klemp, J. B., Dudhia, J., Gill, D. O., Barker, D. M., Duda, M. G.,
Huang, X.-Y., Wang, W., Powers, J. G., (2008): A Description of the Advanced
Research WRF -59- Version 3 NCAR/TN–475+STR, June 2008. – NCAR Technical
Note. (http://www2.mmm.ucar.edu/wrf/users/docs/arw_v3.pdf)
Skarbit N. (2018): Városklíma-elemzés térben és időben részletes mérések, valamint
lokális léptékű klímamodell alapján. Doktori (PhD) értekezés, Szegedi
Tudományegyetem (témavezető: Dr. Unger János), Szeged 113 p.
Stephens, G. L. (1978): Radiation profiles in extended water clouds, Part II:
Parameterization schemes. Journal of the Atmospheric Sciences 35, 2123-2132.
Stamnes, K., S. C. Tsay, W. Wiscombe, and K. Jayaweera (1988): A numerically stable
algorithm for discrete-ordinate-method- radiative transfer in scattering and emitting
layered media, Applied Optics, 27, 2502-2509.
Szabó Zs. (2017): Magyarország megújuló energia stratégiai céljainak bemutatása és a
megújuló energiatermelés helyezte. Előadás, Nemzeti Fejlesztési Minisztérium.
http://www.mket.hu/alapanyagok/XX_konferencia/eloadasok/szabo-
zsolt_2017_MKET.pdf
Tóth P., Bulla M, Nagy G., (2011): Energetika. Digitális tankönyvtár.
http://www.tankonyvtar.hu/hu/tartalom/tamop425/0021_Energetika/index.html
Tóth Z., Nagy Z., Szintai B. (2017): Verification of global radiation fluxes forecasted by
numerical weather prediction model AROME for Hungary. Időjárás 121, 189-208.
Varga P., (2014): Európa - Magyarország 2014. Napenergia-hasznosítás iparági helyzetkép.
V. Napenergia hasznosítás az épületgépészetben konferencia anyaga.
Weidinger T., Molnár Cs., Bán B. (2015): A globálsugárzás modellezése és alkalmazása
naperőművek termelési előrejelzésére. Tiszteletkötet Károssy Csaba 70.
születésnapjára, Szombathely 107–116.
55
Internetes hivatkozások
[1 – Világgazdaság] https://www.vg.hu/velemeny/tobb-mint-szaz-naperomuvet-epit-az-
mvm-2-613325/
[2 – met.hu] http://www.met.hu
[3– solargate.hu] solargate.hu – A Solargate Kft. honlapja